資源描述：
《基于核方法的模糊模型辨識研究》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、．】，T·U·歲澎支逸夕訾博士學(xué)位論文基于核方法的模糊模型辨識研究摘要模糊模型辨識是智能控制理論重要的研究分支之一。傳統(tǒng)數(shù)學(xué)建模方法對當(dāng)前信息科技所帶來的各種復(fù)雜研究對象往往無能為力，而模糊模型具有易于表達(dá)結(jié)構(gòu)性知識，可把數(shù)學(xué)函數(shù)逼近器與過程信息相結(jié)合等優(yōu)點(diǎn)?；谀：Ｐ桶l(fā)展的系統(tǒng)辨識、智能控制理論和模式識別新方法等已在眾多領(lǐng)域得到了成功應(yīng)用。因此，模糊模型辨識是智能控制基礎(chǔ)理論研究的關(guān)鍵問題之一。在過去的二十多年里，國內(nèi)外學(xué)者在模糊模型辨識理論方面已經(jīng)作了大量的研究工作，但現(xiàn)有辨識算法仍面臨著如何避免“維數(shù)災(zāi)難"和提高模型泛化能力等難題
2、。模糊模型辨識主要分為結(jié)構(gòu)辨識和參數(shù)辨識兩個部分，其中結(jié)構(gòu)辨識是關(guān)鍵，也是難點(diǎn)，目前尚未形成完善的理論。此外，如何在模糊模型的多個性能指標(biāo)(如復(fù)雜度和精度)間作出折衷，從而為參數(shù)辨識提供合理的依據(jù)，目前還缺乏有效的理論指導(dǎo)。而且，將模糊模型辨識方法應(yīng)用于實(shí)際工業(yè)生產(chǎn)過程也還存在不少的困難，其中一個主要的原因就是一些傳統(tǒng)的辨識方法所產(chǎn)生的龐大規(guī)則庫以及巨大的辨識計算消耗。因此，如何設(shè)計簡潔有效的辨識算法，提高模型的泛化性能，并降低辨識算法的計算復(fù)雜度等就成為本文研究的主要出發(fā)點(diǎn)。本文致力于將核方法引入模糊模型辨識領(lǐng)域以期獲得新穎而有效的辨識
3、算法，從而克服傳統(tǒng)辨識方法存在的一些不足。核方法是對使用核技巧的一類學(xué)習(xí)算法的總稱，它是目前機(jī)器學(xué)習(xí)領(lǐng)域中最具活力的研究方向之一。在本文中，首先設(shè)計了基于支持向量機(jī)的模糊模型辨識算法，使用支持向量機(jī)來完成結(jié)構(gòu)辨識以提高模型的泛化性能，再利用卡爾曼濾波實(shí)現(xiàn)參數(shù)估計；然后通過改進(jìn)遺傳算法來解決核函數(shù)和核參數(shù)選擇問題，并同時考慮辨識精度和模型復(fù)雜度以實(shí)現(xiàn)多性能指標(biāo)折衷：再針對辨識的計算消耗問題，提出基于增量核學(xué)習(xí)的辨識算法以加快辨識速度減小計算消耗：最后針對支持向量模糊系統(tǒng)可能存在的規(guī)則冗余問題提出了一種基于雙重核學(xué)習(xí)(核模糊聚類和支持向量回歸
4、)的摘要支持向量組合策略來實(shí)現(xiàn)規(guī)則庫的簡化，以保證模型的簡潔性。該方法同時避免了傳統(tǒng)基于模糊聚類的辨識算法存在對初始聚類個數(shù)敏感的缺點(diǎn)。具體地說，本文主要有以下幾個創(chuàng)新點(diǎn)：1、適當(dāng)核函數(shù)的選擇和核參數(shù)的優(yōu)化一直是核方法應(yīng)用的關(guān)鍵和難點(diǎn)。本文采用凸組合方式將兩類代表性的核函數(shù)加以組合，并將加權(quán)系數(shù)和其他核參數(shù)一起交由遺傳算法(GeneticAlgorithm)加以優(yōu)化，從而實(shí)現(xiàn)將核函數(shù)的選擇問題轉(zhuǎn)化為一個參數(shù)優(yōu)化問題。再引入?yún)?shù)不敏感變化步長概念以改進(jìn)遺傳算子，加快進(jìn)化速度。優(yōu)化目標(biāo)函數(shù)中我們綜合考慮了辨識的精度和模型的復(fù)雜度，從而實(shí)現(xiàn)了模
5、糊模型的多性能指標(biāo)設(shè)計要求。2、對于基于支持向量機(jī)的模糊辨識方法，辨識的計算復(fù)雜度與訓(xùn)練樣本個數(shù)呈指數(shù)關(guān)系。為此文中提出了一種新的支持向量機(jī)訓(xùn)練算法。首先使用核馬氏距離(KernelMahalanobisDistance)來定義一個橢圓區(qū)域，以挑選出可能成為支持向量的樣本，以此來減,J,i)Jl練樣本的規(guī)模，再以增量學(xué)習(xí)(IncrementalLearning)方式來完成支持向量機(jī)的訓(xùn)練，最后的模糊規(guī)則可從支持向量學(xué)習(xí)結(jié)果中直接提取。該方法為開發(fā)模糊模型的在線辨識技術(shù)提供了方案。3、支持向量模糊系統(tǒng)的規(guī)則個數(shù)由支持向量個數(shù)決定，一旦支持向
6、量很多，就可能導(dǎo)致規(guī)則冗余。為此，本文提出一種基于雙重核學(xué)習(xí)機(jī)的規(guī)則庫簡化策略來避免這一缺點(diǎn)。首先提出一種新的核模糊聚類(Kernelfuzzyclustering)算法將樣本集做出初始劃分，再針對每個聚類使用支持向量回歸機(jī)定位支持向量，再對這些獲得的支持向量加以組合壓縮以達(dá)到減少支持向量個數(shù)的目的，而最終模糊模型的結(jié)構(gòu)則由這些組合后的支持向量來確定。該支持向量組合策略(Combinationstrategyforsupportvectors)能夠有效地確保模型的簡潔性。此外，該算法不再像傳統(tǒng)基于聚類的辨識算法那樣對初始的聚類個數(shù)敏感，而
7、且由于條件正定核的使用，使得辨識算法免去了核參數(shù)優(yōu)化的過程。關(guān)鍵詞：模糊模型辨識，T-S模糊模型，核方法，支持向量機(jī)，混合核函數(shù)，遺傳算法，最小二乘法，卡爾曼濾波，核馬氏距離，增量學(xué)習(xí)，核模糊聚類，支持向量組合策略Ⅱ歲澎交逸戈訾博士學(xué)位論文．J，1"11·—————————————————————————————————————————————————一STUDYONFUZZYMODELIDENTIFICATIONBASEDoNKERNELMETHoDABSTRACTFuzzymodelidentificationisoneofthemo
8、stimportantresearchbranchesinintelligentcontroltheory．Traditionalmathematicalmodelingapproachesa
